Real-time hand biometric pattern recognition using advanced machine learning techniques
Gelişmiş makine öğrenimi tekniklerini kullanarak gerçek zamanlı el biyometrik örüntü tanıma
- Tez No: 768193
- Danışmanlar: Assist. Prof. Dr. ABDULLAHI ABDU IBRAHIM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Bilgi Teknolojileri Ana Bilim Dalı
- Bilim Dalı: Bilgi Teknolojileri Bilim Dalı
- Sayfa Sayısı: 60
Özet
ÖZ İLERİ MAKİNE ÖĞRENME TEKNİKLERİNİ KULLANARAK GERÇEK ZAMANLI EL BİYOMETRİK ÖRNEK TANIMA AL-SAEDI, Saif, Yüksek Lisans, Bilgi Teknolojileri , Altınbaş Üniversitesi, Danışman: Yrd. Prof. Dr. Abdullahi Abdu İBRAHİM Tarih: Ağustos / 2022 Biyometrik örüntü tanıma, gelişmiş dünyada etkileşimli veri analizi veya güvenlik amaçlı gibi birçok uygulamada kullanılabilir. Mevcut sistemler ya pahalıdır, gerçek zamanlı olarak çalıştırılamaz ya da kullanıcının özel eldivenler gibi giydiği cihazları gerektirir. Biyometrik kalıpları gerçek zamanlı olarak tahmin etmek için makine öğrenimi tabanlı tasarım kullanan ucuz bir çözüm öneriyoruz. Sistemimiz, renkli bir eldivenle bir K-En Yakın Komşu (KNN) sınıflandırıcısının eğitilmesini ve ardından çıplak bir elle piksel düzeyinde tahmin yapılmasını içerir. Sistemimiz tüm pikselleri yaklaşık 10 fps'de tahmin eder ve tahminde ortam farklılıklarına karşı dayanıklıdır. Ayrıca, özel çalışmalarımızla karşılaştırma amacıyla KNN sınıflandırıcısını inceleyen kapsamlı deneyler yapıyoruz ve bazı ilginç özellikleri ortaya koyuyoruz. Ayrıca, Makine Öğrenimi tabanlı veri büyütmenin, etkileşimli veri büyütme için diğer alternatif yöntemlerden daha etkili olduğu da gösterilmiştir. Buna ek olarak, büyütme deneyi, farklı sayıda sınıflardan oluşan çeşitli alt kümeler ve ayrıca eksiksiz orijinal el iskeleti dizisi veri kümesi üzerinde tekrarlandı. Önerilen temel mimari, neredeyse tüm alt kümelerde sınıflandırma doğruluğunu artırdı. Tam veri seti kullanıldığında küçük bir gelişme bile oldu. Doğru tanımlama bir kalite işareti olarak görülebilir. Destek Vektör Makinesi (SVM) sınıflandırıcısı yüzde 98,71 ile en yüksek doğruluğu üretirken, K-Nearest Neighbor sınıflandırıcısı ML modeli için yüzde 99,28 ile en yüksek doğruluğu elde etti. Bu nedenle, en yüksek başlangıç doğruluğuna sahip model, en az jeneratör kaybına sahip model tarafından yenildi ve SVM kullanarak optimal ML modelini seçmek için daha uygun olduğu izlenimini verdi. Orijinal eğitim setine benzer verileri tercih ettiğinden ve bu nedenle yeni bilgi içeriği içerme olasılığı düşük olduğundan, DVM başlangıç ağı, veri olarak 3000 özellik ve 7200 görüntü örneğine sahip sentetik Biyometrik model örneğinin değerlendirilmesi için uygun bir seçim gibi görünmektedir. artırma kapasiteleri Hatayı azaltmada en büyük etkiye sahip olmasına rağmen, eğitim örneklerinin sayısı artırılarak hatanın yalnızca yüzde 1,32'si azaltılabilir
Özet (Çeviri)
Biometric pattern recognition can be used in many applications such as interactive data analysis or security purposes in the advance world. Current systems are either expensive, unable to run in real time, or require the user wear devices such as custom gloves. We propose an inexpensive solution for predicting Biometric patterns in real time that uses machine learning-based design. Our system involves training a K-Nearest Neighbor (KNN) classifier with a color glove, and then predicting at a pixel level a naked hand. Our system predicts all pixels at about 10 fps, and is resilient to environment differences in prediction. We also conduct extensive experiment studying the KNN classifier just for comparison purpose with our dedicated work and reveal some interesting properties. It is also shown that the Machine Learning-based data augmentation has been more effective than any other alternative method for interactive data augmentation. In addition to this, the augmentation experiment was repeated on various subsets consisting of different numbers of classes as well as on the complete original hand skeleton sequence dataset. The proposed base architecture increased the classification accuracy on almost all subsets. There was even a slight improvement when the complete dataset was used. The correct identification could be seen as a sign of quality. Support Vector Machine (SVM) classifier produced the highest accuracy of 98.71 percent, while K-Nearest Neighbor classifier got a top accuracy of 99.28 percent for the ML-model. So the model with the greatest inception accuracy was beaten by the model with the least generator loss, giving the impression that it is better suited for selecting the optimal ML model using SVM. Because it prefers data that is similar to the original training set and thus unlikely to contain new information content, the SVM inception network appears to be a suitable choice for the evaluation of the synthetic Biometric pattern sample with 3000 features and 7200 samples of images as data augmentation capacities Only 1.32 percent of the error can be reduced by increasing the number of training samples, although this has the greatest influence on lowering the error
Benzer Tezler
- Multimodal biometric verification and identification using face and hand
Yüz ve el kullanarak çoklu şekilde gerçekleme ve özdeşleştirme
ELİF SÜRER
Yüksek Lisans
İngilizce
2007
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBoğaziçi ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. LALE AKARUN
- Bulut bilişim tabanlı gerçek zamanlı yüz tanıma sistemi
Cloud computing based real time face recognition system
İSMAİL KARAMAN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİL MURAT ÜNVER
- Yerel görünüm ve derin modeller kullanarak hibrit bir yüz tanıma yaklaşımı
A hybrid face recognition approach using local appearance and deep models
MERT ARI
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. HAZIM KEMAL EKENEL
- Davranışsal ve fiziksel multi-biyometri ile kişi kimliklendirme ve hareket tanıma üzerine yaklaşımlar
Approaches to person identification and motion recognition with behavioral and physical multi-biometrics
ONUR CAN KURBAN
Doktora
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. TÜLAY YILDIRIM
- El çizimlerinin biyometrik bilgiyle tanınması için iyileştirilmiş bir yöntem geliştirilmesi
Developing an improved method for recognition of sketch with biometric information
BİLAL BEKTAŞ
Doktora
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMaltepe ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TURGAY TUGAY BİLGİN